基于计算机视觉的棉花异性纤维检测识别算法

提出了一种基于计算机视觉的棉花异性纤维检测识别算法,通过分析线阵CCD摄像机采集的现场原棉图像,运用去噪平滑、图像分割算法提取异性纤维的特征,最终确定异性纤维数量,仿真结果表明了算法的正确性和有效性。     

棉花中异性纤维检测图像分割和边缘检测方法研究进展

为进一步提高棉花中异性纤维的检测效率,对异性纤维图像处理方法进行探究。通过分析不同异性纤维图像边缘检测方法的定位精度、背景模糊以及受噪声影响情况发现,不同图像分割方法中异性纤维边缘连续性和分割效果存在差异性。统计了常见异性纤维图像边缘检测法和图像分割方法,分析了各类处理方法的优势和局限性,归纳了适用于各类异性纤维的检测方法,总结了现有研究中存在的问题和不足。研究认为:目前对不同种类异性纤维检测适用的图像处理方法不同,还无法同时检测出全部种类的异性纤维;应根据实践中具体异性纤维的种类、含量、物理特性等选择适合的检测算法并进行算法融合,开发普适性好的算法以降低成本和减少计算量。     

基子色调分离的棉花异性纤维分割

本文分析了含有异性纤维的棉层图像特性,提出了一种基于色调分离的棉花异性纤维分割方法,采用这种方法对羽毛、头发和麻绳等典型棉花异性纤维图像进行了分割,得到了高质量的棉花异性纤维图像。实验结果表明,与自适应阂值分割结果相比,该方法在噪声剔除、目标提取、色彩归类方面更具有效性。     

基于线阵CCD的异性纤维检测系统研究

棉花中夹带的异性纤维比重虽然很小,危害却很大,不仅影响纺织品的质量,对染色质量影响也较大.提出了基于线阵CCD的棉花异性纤维检测系统,分析了该系统的工作原理和总体结构,对异性纤维图像处理算法进行了讨论,并通过模拟仿真实验验证了系统的可行性.     

一种基于计算机视觉技术的轧花厂皮棉异性纤维定位方法探讨

本文分析了轧花厂皮棉异性纤维剔除的难点,提出了一种异性纤维精确定位的思路和方法,并重点讨论了含异性纤维图像的相似匹配和几何校正的图像处理方法。     

三基色最佳阈值算法识别原棉异性纤维

原棉中存在的异性纤维始终困扰着纺织工业的生产与发展,如何准确地检测与识别原棉中存在的异性纤维是纺织工业所面临的主要问题.文章采用三基色RGB最佳阈值算法来识别原棉图像信号中存在的异性纤维,试验结果表明,该算法可以有效地识别出原棉中存在的异性纤维.     

基于近红外光谱和残差神经网络的异性纤维分类识别

针对传统图像处理方法对棉层中异性纤维检测效果不佳的问题，基于近红外光谱和残差神经网络提出一种对棉层中异性纤维的分类识别方法。采用Savitzky-Golay法对异性纤维的近红外光谱数据进行平滑处理，结合F检验和LightGBM分类算法实现特征波长优选，并将优选后的光谱数据经格拉姆角场转换成保留波长序列之间时序性的格拉姆角和场图像；构建残差深度卷积神经网络模型，将转换后的格拉姆角和场图像作为训练样本对残差网络模型进行训练。实验结果表明，该方法能够有效地对复杂环境下棉层中的异性纤维进行分类，分类准确率达到99.69%,与其它数据转换方式和分类模型相比提高了棉层中异性纤维的分类识别精度，为复杂环境下异性纤维分类识别研究提供了新思路。     

应用聚类统计分析的棉花异纤图形检测算法

在棉纺企业原棉异性纤维剔除工艺过程中,异性纤维种类及特征多样,难以构造统一的识别模型,为此,提出了一种基于聚类统计分析的棉花异性纤维图形检测算法。通过获取原棉纤维及异性纤维在RGB颜色模型空间的各分量值,进行数值聚类统计分析,采用RGB彩色图像阈值聚类统计分类的方法将获取的图片信息分为3类,进而判断有无异性纤维,再经过形态学等预处理修缮图像,对棉花中异性纤维的特征进行提取,较准确地得到异性纤维的面积、质心坐标和周长等参数,为异性纤维的清除提供条件。实验结果表明,该算法能较准确地识别异性纤维。     

基于Matlab的棉花异性纤维检测及定位算法

Matlab语言是具有强大矩阵运算能力的可视化计算软件。边缘检测技术是数字图像处理非常重要的内容，属于图像分析的范畴。着重阐述了在原棉检测中棉花异性纤维的边缘检测算法和重心定位算法，并通过Matlab语言实现了这两种算法，得到了很好的效果。     

棉花异性纤维中羽毛与麻绳的分类特征研究

异性纤维指棉花中混杂的化学纤维、动物纤维和非棉性纤维等杂物的统称,如丙纶丝、塑料绳、毛发、麻丝、有色纤维等。异性纤维问题已严重影响我国棉纱市场的销售和出口,给棉纺企业带来巨大的损失。为此研究棉花异性纤维的种类、构成与特性,并运用机器视觉技术研究棉花异性纤维的快速识别,对提高棉花质量,促进我国棉花产业和棉纺织工业的发展具有重要意义。通过建立棉花异性纤维分类识别和计重系统,可以有效地降低异性纤维的危害,同时通过异性纤维计重可以体现出棉花的品质。     

基于DSP的棉花异性纤维检测系统总体方案研究

本文介绍棉花异性纤维检测系统的国内外现状，叙述了检测系统的总体设计方案，包括系统的总体结构、检测项目的器件等。同时结合当前电子技术和图像处理技术的最新发展，介绍了用于棉花检测系统的性能指标和设计准则，提出了采用FPGA＋DSP结构来实现图像检测的方法。 本文是作者《基于DSP的棉花异性纤维检测系统》一文的部分摘编，其另外两部分为图像处理算法与硬件设计和系统的软件设计与仿真测试。     

基于Matlab的棉花异性纤维检测及定位算法

Matlab语言是具有强大矩阵运算能力的可视化计算软件。边缘检测技术是数字图像处理非常重要的内容 ,属于图像分析的范畴。着重阐述了在原棉检测中棉花异性纤维的边缘检测算法和重心定位算法 ,并通过Matlab语言实现了这两种算法 ,得到了很好的效果。     

棉花异性纤维分类识别与计重系统的设计

为了实现棉花异性纤维分类识别与计重的自动化,本文建立了一种棉花异性纤维分类识别和计重系统SIW(system of identification and weight statistics),提出了系统的组成结构和工作原理,对系统关键的硬件设备和软件实现过程作了必要的说明,包括场景图像的采集、图像处理和识别方法以及计重模型的建立。最后对SIW系统进行测试,测试结果证明,该系统可以有效地识别出棉花中的异性纤维,并准确得到各种异性纤维的重量,实现异性纤维检测和计重的全程自动化。     

棉花中异性纤维的图像多分辨率差分检测方法

针对棉花异性纤维难以检测的问题,提出了一种基于多分辨率尺度图像差分的检测方法。首先,通过小波多层分解实现检测图像中的不同频率信息成份的分离;然后,对不同分辨率的子图之间进行差分提高异性纤维与原棉信息的对比度;在此基础上,采用最大类间方差法对多分辨率差分子图进行二值化分割出异性纤维的信息;最后,通过对分割后的子图进行信息的融合,实现了对异性纤维检测。实验表明,该方法能够有效抑制棉花背景信息,最大限度的提取异性纤维的信息,异性纤维检测的准确率以上达到90%。     

异性纤维的控制与预防

介绍了异性纤维的种类和棉纤维中混入异性纤维对棉纺织产品的影响，提出了防止异性纤维混入应采取的预防措施。     

棉花异性纤维含量检验技术探究

对棉花纤维品质的主要指标进行了阐述，分析了棉花异性纤维的主要来源及棉花异性纤维含量指标的影响因素，就棉花纤维品质与异性纤维含量检验技术进行了介绍，并围绕棉花检验过程中应注意的问题进行了探讨，以供参考。     

基于深度学习的籽棉中异性纤维检测方法

针对籽棉图像阴影多、常规图像处理方法难于识别的问题,以去除棉叶、棉壳等有机杂物的籽棉为样本,将不同颜色、形状、尺寸的12种常见异性纤维和籽棉样本随机地分布在运转中的传送带上,采用线扫描相机获得发光二极管（LED）照明的籽棉图像520张,“LED+线激光”双光源照明的籽棉图像1 148张。然后采用一种由13个卷积层、13个采样层和4个池化层构成的Faster RCNN深度学习人工神经网络,对 2 种成像方法获得的籽棉图像进行基于人工智能的网络训练,再进行异性纤维检测验证。实验数据表明,LED照明和“LED+线激光”双光源照明条件下,籽棉图像中的异性纤维的检出率分别达到了90.3%和86.7%,特别是LED照明条件下对白色异性纤维进行识别,其识别率由5.9%提升到了90.3%。     

籽棉中异性纤维的双光源成像检测方法

针对现有的异纤清理机无法彻底清除异性纤维的问题,提出了一种在籽棉轧花前对异性纤维进行检测的方法。以清除了铃壳、茎、叶等有机杂物的籽棉和常见的21种有色及白色异纤为检测样本,在白色LED和红色线激光双光源照明获取图像,在RGB颜色空间的Ｒ 通道和HSI颜色空间的S通道利用改进的索贝尔（Sobel）边缘检测算法检测异纤。同时在S通道利用一维最大熵法以提高异纤检测率。实验结果表明：采用的双光源照明成像方法和图像处理算法可减少阴影等干扰,白色异纤的检出率可达到74.7%,有色异纤的检出率可达到70.8%,为籽棉中异性纤维的检测提供了参考和借鉴。     

基于深度学习的棉花异性纤维检测

在棉花纤维生产过程中,棉花异性纤维直接影响着其成品质量优劣。通过人工进行视觉上的观察是常用的判定棉花异性纤维优劣的方法,但这种方法耗费大量人力和时间,且准确性不高。本文测试一种可根据深度学习对棉花异性纤维进行自动检测的方法。通过卷积神经网络,在对棉花图像不断训练的过程中,使棉花异性纤维质量检测过程自动化。结果表明,这一方法对于检测棉花异性纤维准确性高、效率高,对于高品质棉花自动化生产加工有重要意义。     

图像处理技术在皮棉异性纤维清理中的应用

介绍了皮棉中异性纤维的危害及目前异性纤维的挑拣方式,图像处理技术及其在皮棉异性纤维清理中的应用,异性纤维排检机工作过程,分析了影响CCD识别率的主要因素。